Predicción temperatura Bogotá: enfoque estocástico vs aprendizaje profundo (Deep learning)

Abstract

Mejorar la predicción de las variables climáticas en el corto, mediano y largo plazo es un objetivo que toma cada día mayor relevancia dentro de las agendas de trabajo de gobiernos alrededor del mundo, esto debido al impacto que tiene en actividades humanas, tales como la agricultura, la generación de energía, la construcción, entre otras más [19]. Adicionalmente el auge de los estudios sobre calentamiento global y cambio climático que muestran escenarios adversos para la biodiversidad del planeta, estos han incrementado aún más el interés por fortalecer la capacidad de pronosticar el estado del sistema climático en todas las escalas espaciales y temporales posibles. El interés se convierte en necesidad cuando los datos muestran además un incremento de los eventos extremos como sequías, inundaciones, deslizamientos, incendios forestales entre otros [20]. Para mejorar los pronósticos tanto climáticos como meteorológicos se han planteado diferentes tipos de modelos matemáticos que estimen las posibles condiciones futuras sin embargo los procesos de validación de los resultados obtenidos evidencian que aún existen diferencias significativas entre las simulaciones y las observaciones especialmente a bajas resoluciones espaciales y en el corto plazo. Lo anterior exige la continua exploración de nuevos modelos o metodologías que aporten información cada vez más confiable a la población que la requiere. Una de las variables climáticas que tienen mayor impacto en las actividades de la población es la precipitación, por tanto la mayoría de las investigaciones están dirigidas a predecir su comportamiento [21]. Otra de las variables que son relevantes en la dinámica atmosférica es la temperatura del aire, sin embargo, es menor el número de estudios sobre modelos para predecir su variabilidad. Por eso este proyecto se enfoca en el estudio de la temperatura diaria promedio por medio de modelos y metodologías que aún no han sido explorados con esta variable. Para hacer la implementación de los modelos se eligió la variable temperatura diaria promedio de la ciudad de Bogotá (Colombia) en particular del aeropuerto internacional El Dorado. Para predecir la variable mencionada se exploran modelos estocásticos tradicionales basados en regresión y modelos basados en el aprendizaje profundo y al final se comparan los resultados obtenidos por ambas opciones. En los últimos años se han visto avances importantes por parte del aprendizaje profundo (Deep Learning) modelando datos de series temporales [22], por tal motivo estos esquemas se incluyeron dentro de este caso de estudio [2].